待验证50% 置信基准精确时间
四奖励设置下，WAS-PO 在三个随机种子全部取得更高的平均训练奖励，幅度为 3.9%。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/3
首次发现
有效期至：2027/2/1
来源
WAS-PO：用白化优势解决多奖励强化学习的相关性陷阱
rss2026/11/2
涉及实体
相关事实
待验证训练超参数：每次更新跑一个PPO epoch，Adam学习率3e-4，折扣因子γ=0.9997（约7分钟视野，与OpenAI Five一致），胜利奖励±10。66% 相似待验证一旦GOOSE进入训练集，所有增广分支在真实天气上的表现都落在对照组±1点以内，而增广在合成留出退化上仍能加3.5到5.2点61% 相似待验证3.11 倍是内核层面的前向加速，34% 是端到端训练步速提升，两者口径不同。60% 相似待验证GPT-3 训练使用了 Adam 优化器（beta1 = 0.9，beta2 = 0.95）、梯度裁剪至 1.0、学习率预热 3.75 亿 token 后余弦衰减至峰值的 10% 历经 2600 亿 token，以及权重衰减 0.1。60% 相似待验证Skill-Uni在五个技能相关基准测试上进行了实验，相较于Qwen3-4B平均提升66.59%，相较于LLaMA3.1-8B平均提升34.82%。59% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130537API
curl https://kongchang.com/api/v1/knowledge/claims/1130537MCP
get_claim(id=1130537)